Implications of Deep Circuits in Improving Quality of Quantum Question Answering

要約

質問応答（QA）は、自然言語処理（NLP）と人工知能（AI）の分野で困難な課題であることが証明されています。QAの完全なソリューションを開発するだけでなく、QAシステムの重要なサブモジュールを改良し、時間の経過とともに全体的なパフォーマンスを向上させる試みが数多く行われてきました。質問はQAの最も重要な要素である。なぜなら、質問を知ることは、何が答えとしてカウントされるかを知ることと同じだからである（Harrah in Philos Sci, 1961 [1] ）。この研究では、量子機械学習（QML）を用いて、より良い方法で質問を理解することを試みました。量子コンピュータ（QC）の特性は、古典的に難解なデータ処理を可能にしました。そこで本論文では、SelQA (Selection-based Question Answering) データセットの2つのクラスの質問に対して、量子ベースの分類器アルゴリズム、QSVM (Quantum Support Vector Machine) とQiskit (Quantum Information Science toolKIT) for PythonのVQC (variational quantum classifier) を用いて質問分類を行っています。ほぼ同様の環境で両分類器による分類を行い、両分類器の結果を比較しながら回路の深さの影響を検討する。また、これらの分類結果を独自のルールベースのQAシステムで使用したところ、大幅な性能向上が確認されました。したがって、本実験は一般的なQAの品質向上に役立っている。

要約(オリジナル)

Question Answering (QA) has proved to be an arduous challenge in the area of natural language processing (NLP) and artificial intelligence (AI). Many attempts have been made to develop complete solutions for QA as well as improving significant sub-modules of the QA systems to improve the overall performance through the course of time. Questions are the most important piece of QA, because knowing the question is equivalent to knowing what counts as an answer (Harrah in Philos Sci, 1961 [1]). In this work, we have attempted to understand questions in a better way by using Quantum Machine Learning (QML). The properties of Quantum Computing (QC) have enabled classically intractable data processing. So, in this paper, we have performed question classification on questions from two classes of SelQA (Selection-based Question Answering) dataset using quantum-based classifier algorithms-quantum support vector machine (QSVM) and variational quantum classifier (VQC) from Qiskit (Quantum Information Science toolKIT) for Python. We perform classification with both classifiers in almost similar environments and study the effects of circuit depths while comparing the results of both classifiers. We also use these classification results with our own rule-based QA system and observe significant performance improvement. Hence, this experiment has helped in improving the quality of QA in general.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL